摘要:随着双碳目标的提出,新能源发电得以快速发展,未来高比例新能源并网将对电力系统带来重大影响。分析了高比例新能源对电力系统建模、运行以及规划3个方面的影响,并梳理了高比例新能源系统在数学模型、运行规划方案、需求响应、储能技术以及人工智能等应用方面的研究现状,指出目前高比例新能源系统研究所存在的问题。最后,分别从系统建设、电网灵活性、新能源消纳技术以及智能化等方面对未来新能源电力系统的发展进行了思考与展望。
关键词:高比例新能源;储能;优化运行;人工智能算法。
文章目录
一、引言
为应对环境污染和能源紧张等问题,全球各国积极推动能源的低碳化和清洁化,迎来能源系统结构的一次巨大变革。为适应全球低碳结构性变革发展需求,我国提出“碳达峰、碳中和”的双碳目标国家战略〔1〕风电和光伏为代表的新能源具有低碳排放优势,将成为能源转型革命中传统能源的替代品。
新能源机组的机组惯性、控制方式、出力特性与传统机组有着较大的差异,新能源比重的量变将引起电力系统特性的质变,高比例新能源渗透给电力系统的运行优化〔2〕、并网规划〔3〕等方面带来深刻变化,促进储能技术〔4〕与需求响应技术〔5〕的发展与革新,推动人工智能技术〔6〕的应用。
本文针对大规模新能源并网带来的技术挑战和解决方案进行了探讨。阐述了高比例新能源渗透对电力系统建模、运行和规划3个领域的挑战,并探讨了相应的解决方案。重点分析了储能技术和需求响应的技术原理和应用场景,并归纳分析了人工智能算法在新能源中的应用。最后,对新能源电力系统的研究现状进行了分析,并展望了目前学术研究中潜在的技术方向。
二、 新能源电力系统面临的挑战
1. 电力系统建模
可再生能源发电具有波动性、间歇性和不确定性,传统电力系统建模方式无法准确描述各主体运行的经济效益、环境效益以及稳定性。为适应高比例新能源的并网,未来的电力系统仿真建模技术在准确性、快速性、灵活性等方面需要进一步提高〔7〕。
2. 电力系统优化运行
大规模新能源机组的并网,一方面取代了起惯性支撑作用的传统发电机组,降低了电力系统一次调频能力; 另一方面由于反调峰特性,造成了电力系统内爬坡能力与调峰能力的不足,给系统调度带来了巨大的挑战。此外,系统末端大规模新能源机组并网会造成配电网过电压等问题。
3. 电力系统规划
在未来高比例新能源电力系统背景下,传统发电机组逐步退出,且区域间互联的优势趋于饱和,电力系统需要大量的灵活性资源作为备用。此外,解决季节性、区域性的可再生能源出力与负荷需求不匹配的问题是未来新能源电力系统规划面临的重要挑战。
三、 新能源电力系统建模
可再生能源消纳保障机制与绿证交易机制是实现“双碳”目标的关键途径。文献〔8〕考虑了碳交易价格不确定性对发电商售电效益与工业大用户的用电成本的影响。文献〔9〕计及了新能源出力偏差产生的高额考核费用,引入新能源商参与绿证交易的现货市场。
在减小新能源预测偏差和平滑出力方面,文献〔10〕基于功率预测误差分析,建立了储能装置规模与新能源电量损失之间的成本与效益模型。文献〔11〕综合考虑平滑出力波动和新能源并网要求,提出了应用于新能源电力系统的多指标储能配置模型。
现有文献着重于碳排放与绿证市场的交易模型改进与平抑新能源出力的波动性以及不确定性,但往往忽视了高比例新能源电力系统中传统能源商同新能源商的利益冲突。
四、新能源电力系统运行与规划
1. 电力系统优化运行
大规模新能源并网使得电力系统的波动性与随机性进一步增强,新能源机组的低惯性大幅降低了系统一次调频能力,无法满足安全需求。文献〔12〕考虑新能源和可中断负荷同时参与系统一次调频,优化系统日前调度。在新能源电力系统经济运行方面,文献〔13〕以运行成本最低及新能源发电并网功率最大为优化目标,优化储能的调度。文献〔14〕考虑网络拓扑结构和需求响应,构建以运行成本最小化为目标的调度模型。
然而,上述文献未考虑到新能源的相互协调以及多样化灵活性资源对新能源消纳的优化提升。文献〔15〕构建了多源并存的电力系统内风-火-水-储-气联合优化的调度模型,考虑了不同主体间相互影响,分析了联合运行对于清洁能源消纳能力的提升。
2. 电力系统规划
电力系统规划解决的是长时间尺度上电力系统发展的问题,在保证电力系统安全运行的前提下寻找经济性最优的发展道路。
在电力系统灵活性方面,文献〔16〕计及跨区域灵活性,优化区域供需平衡、潮流分配和跨区域联络线传输能力。文献〔17〕通过构建电力系统灵活性裕度指标,评估电力系统的新能源消纳能力。
在平抑出力波动性方面,文献〔18〕综合考虑了减少备用和缓建跨区联络线的效益,优化储能容量配置; 文献〔19〕将输电投资成本以及运行成本纳入目标函数,构建新能源与储能联合系统的规划。
现有文献主要侧重新能源并网带来的系统惯性减弱,灵活性资源不足和电源侧出力的波动性,但考虑的时间尺度为分钟到小时级别,无法体现电力系统规划在秒级调频和季节性能量平衡等多方面的优势。
五、促进新能源消纳的储能技术
新能源发电的不确定性及其与电力负荷呈逆向分布的特征,会导致大规模新能源接入电网后电网的消纳能力不足、弃风弃光等问题〔1〕。储能技术具有性能稳定、安装便捷和响应快速灵活等优点。在新能源并网发电过程中加装储能装置,可以实现发用电在时空上的解耦,减缓可再生能源出力的波动性,提高新能源的消纳能力〔20〕。
1. 储能化学
储能根据电能转化形式的不同可大致分为机械储能、化学储能、电化学储能、电磁储能和热储能五大类型〔21〕。其中机械储能是通过电能与机械能的相互转换实现的,包括抽水蓄能和飞轮储能等; 化学储能是利用电能驱动化学反应进而实现能量存储的,属于能量型储能,如氢储等; 电化学储能通过可逆的氧化还原反应来实现,如锂电池与铅酸电池等,具有快速响应的特点; 电磁储能属于快速功率响应型储能,包括超级电容器和超导磁储能等; 热储能包含显热、相变和热化学储能3种形式,具有储能密度高、储热成本低的优点。
2. 储能系统控制策略
滑电能波动和参与调频。为保证储能的高效运行,国内外学者提出了一系列控制策略。
在常规储能系统控制策略研究中,基于低通滤波原理的方法具有原理简单、运算速度快的优点,得到了广泛的应用。在低通滤波原理基础上,文献〔22〕提出了一种基于储能荷电状态的可变滤波时间参数控制方法,文献〔23〕提出了一种可进行风功率平抑控制和储能荷电状态维持控制的综合控制策略。上述两种控制方法在实现平抑新能源发电波动控制效果的同时,考虑了储能荷电状态的运行约束,有助于延长储能的循环寿命并减小所需的配置容量。具有结构简单和鲁棒性较强等优点的比例微积分 ( Proportional Integral Derivative,PID) 控制〔24〕和模糊控制〔25〕也被应用于储能控制,在储能辅助调频和提高新能源利用率方面取得进展。分布式电源和储能联合运行模型中通常涉及较多安全约束,模型预测控制具有优良的约束处理能力,因此也常应用于储能控制策略。文献〔26〕提出了基于模型预测控制的高压配电网转供与储能系统协同控制策略,实现城市电网运行高峰时期的源荷均衡分布。
3. 储能系统优化运行
利用储能的能量时移特性进行削峰填谷、能量管理、减小电能供需不平衡和促进新能源消纳等,可以有效削减高比例新能源接入对电网的影响。
针对储能优化运行问题,文献〔27〕在含风电机组组合问题中引入储能系统,其可进行峰谷调节,降低总运行费用,一定程度上降低风电波动性的不利影响,保证系统安全可靠运行。文献〔28〕搭建考虑电池容量损失的储能系统调度成本模型,采用粒子群算法进行调度优化,在保证储能电 站完成调度任务条件下,降低了周期调度成本,并延长了储能电站的运行寿命。文献〔29〕构建了源-网-荷-储多主体参与新能源消纳的纳什博弈模型,充分挖掘各环节的灵活性调节潜力,最大化系统的新能源消纳能力。
六、促进新能源消纳的需求响应
随着新能源渗透率不断提高,需求侧响应因其灵活性高、响应潜力大等优势,在系统供需平衡调 节、提高新能源渗透率等方面获得了广泛关注〔30〕。
1. 需求响应的分类
需求响应主要分为两类: 价格型需求响应和激励型需求响应〔31〕。价格型需求响应可以通过分时电价、实时电价和尖峰电价去实现,激励型需求响应主要通过与电力用户签订可中断负荷合同来实施。对于我国新能源发展的现状而言,需求侧响应可以兼顾电网的稳定性和购售电双方的利益〔32〕。
2. 价格型需求响应的应用
文献〔33〕提出了一种应用需求响应的综合能源系统协同优化模型,需求响应策略以价格型为主,仿真结果表明其可以有效促进新能源消纳,提升系统运行的经济性。文献〔34〕为了充分利 用需求侧资源,减少弃风弃光损失,引入了价格型需求响应,提高风光消纳,同时还提升了经济指标。文献〔35〕同时考虑了价格型需求响应和系统安全约束的满意度,以电网侧的价格需求响应成本最小为目标,提高风电消纳率,同时还保证了实时调度中的电网安全运行。文献〔36〕将价格型需求响应运用在含风电的电力系统中,针对二者的不确定性,提出了一种用于预调度方案可行性检测的鲁棒调度法。文献〔37〕考虑了风力发电事故和事故后配电网的运行状况,提出了变速热泵的商业建筑基于价格型需求响应两阶段优化的框架。
3. 激励型需求响应的应用
文献〔38〕提出了一种考虑风-光-光热联合直流外送的源网多时段协调优化方法,采用激励 型需求响应,不仅提高了风电的消纳,而且降低了综合运行成本。文献〔39〕提出了一种电-气-热网络中能源枢纽柔性可靠运行的优化模型,采用基于激励的需求响应程序,提高了新能源为主体的能源系统的灵活性、可靠性。为了应对风能和太阳能发电的不确定性带来的影响,提出了家庭、商业和工业用户参与的激励型需求响应方案,算例表明了激励型需求侧管理对减少风力发电和太阳能发电的不确定性影响效果显著〔40〕。文献〔41〕将价格型需求响应和鲁棒随机优化理论用于含风电的电力系统发电调度模型中,起到削减负荷峰值的作用。
七、 人工智能在新能源系统中的应用
近年来,以机器学习为代表的人工智能技术在游戏、图像以及驾驶领域的优越表现,使新一代人工智能技术备受关注。新能源接入电网所带来的间歇性以及不确定性成为电网的重要特征,提高了建立精确高比例新能源电网模型的难度。随着电网测量装置以及通信技术的发展,电网可以获得海量的数据,为人工智能在新能源电力系统中应用奠定基础。
1. 人工智能在新能源预测中的应用
高比例新能源接入电网,增加了电网的不确定性,提高了电网的运行风险。新能源预测技术的发展可以缓解不确定性,为电网运行规划提供有力支撑。
深度学习具有良好的数据处理以及特征提取能力,可以减小新能源的预测误差。BP神经网络可以从历史气象以及发电数据中提取特征,从而实现新能源发电功率预测〔42〕。文献〔43〕利用卷积网络出色的特征提取能力提高预测的准确性。长短期记忆网络对于具有时间序列特征的数据有较好的预测效果,对于新能源的预测有一定的改进作用〔44〕。单一的预测方法容易受方法本身缺陷的限制,利用不同方法形成组合预测可以进一步降低预测误差〔45〕。文献〔46〕结合了卷积神经网络与双向门控循环单元提高了对风速时空特性的提取能力。文献〔47〕将强化学习的决策能力与深度学习相结合,通过强化学习组合不同深度学习方法从而提高预测准确率。
2. 人工智能在新能源调度中的应用
近年来,作为人工智能算法分支的强化学习取得了较大的突破,利用强化学习的快速决策能力可以有效地应对新能源对电网安全运行的冲击。文献〔48〕利用强化学习解决新能源微电网的运行优化问题。传统的强化学习映射关系使用表格形式表达,会造成维度灾难。深度强化学习通过结合深度学习的特征提取能力和强化学习的决策能力有效地避免了这个问题。Rainbow 算法〔49〕以及深度确定性策略梯度〔50〕等深度强化学习算法在新能源与储能协调调度领域取得进展。深度强化学习也可以解决新能源大量接入后的大电网优化运行问题〔51〕。
3. 人工智能在故障诊断方面的应用
随着数据采集监控系统的发展,利用数据驱动的人工智能故障诊断方法在新能源领域中的应用逐渐增多。文献〔52〕利用 BP 神经网络对光伏阵列的故障进行实时诊断。文献〔53〕将 BP 神经网络替换为长短期记忆神经网络提高了光伏阵列故障诊断的正确率。同时,随机森林〔54〕、极限学习机〔55〕等人工智能分类算法在故障诊断领域中也取得了良好效果。
4. 人工智能在其他方面的应用
人工智能在新能源系统相关的其他领域也取得了一定应用。文献〔56〕提出了一种具有动作自寻优能力的深度强化学习算法,用于解决新能源并网后给自动发电控制 ( Automatic Generation Control,AGC) 带来的随机扰动问题。在电网结构方面,文献〔57〕利用深度双 Q 网络算法解决大容量风能接入系统后的输电网结构优化问题。文献〔58〕利用改进后的生成对抗网络算法的数据生成能力解决历史数据缺失的新能源电站的发电场景生成难题。
八、 研究展望
基于以上对新能源电力系统所面临的挑战的分析以及对促进新能源消纳技术研究现状的梳理,指出了目前技术所存在的问题,总结该领域值得关注的几个具体技术研究方向。
(1)源-网-荷-储灵活性资源的综合应用: 高比例新能源电力系统的调度与规划是一项系统 工程,源-网-荷-储侧灵活性资源并不是完全孤立的,各种挑战与灵活性资源也非逐一对应的。 从解决高比例新能源渗透的角度而言,没有一种灵活性资源可以应对各种挑战作为终极解决方 案,需要不同侧灵活性资源之间相互配合,考虑多灵活性资源综合应用下的综合效益。
(2)多时间尺度下协同运行与规划: 高比例新能源电力系统的调度和规划的研究未能体现储能系统的调峰、调频、季节性平衡和跨区域联络线的扩建对季节性平衡的影响。在多时间尺度应用 场景叠加的背景下,新能源机组对传统机组的替代与互补关系更加复杂,需要进一步细化多时间 尺度下电力系统的运行特性和经济性,进一步探究储能设备、区域联络线扩容和常规机组改造的 规划。
(3)储能技术在新能源领域的应用: 储能技术目前存在新材料技术难以突破、配置及运行经济性不佳和商业模式不完善等问题。发展新材料技术是提高储能效率、减小储能成本的直接手段, 也是未来储能技术研究的重要方向。在现有储能技术下,基于不同的运行目标,可以通过选择适合 的储能类型,作好选址定容规划和优化控制等设计,以提高储能利用率和运行经济性。
(4)需求响应在新能源领域的应用: 现阶段对于新能源接入下的需求侧响应,还存在以下问题。不同能源之间存在特性差异,但现有的研究不进行特异性需求响应分析。需求响应的精确性不高,无法准确跟踪新能源的不确定性。此外,目前的研究对负荷响应模型进行了一定的简化,所采用的模型不能精确地捕捉负荷特性。未来的研究中应增强源荷侧的互动,提高需求响应精度,同时实现多方共赢。
(5)人工智能在新能源领域的应用: 人工智能算法依赖于训练数据和场景,训练完的模型在变化的环境中性能无法保证。部分算法的可解释性差,无法解释其结果,且可靠性无法保证,遇到新环境可能产生较为严重的后果。因此,如何提高人工智能算法在新能源领域的可靠性和泛化性是实现人工智能在新能源领域进一步发展的关键。将物理模型与人工智能算法相融合提高算法的可解释性也是改进人工智能算法的可行路线。
九、 结语
随着能源系统清洁化和低碳化要求提上日程,我国电力系统新能源占比将进一步提升。但以风电和光伏为代表的新能源大规模并网将对电力系统的建模分析、优化运行以及系统规划等方面带来巨大的挑战。本文分析了高比例新能源的电力系统建模、运行以及规划 3 个方面的挑战,结合工程实践梳理了系统灵活性资源稀缺和电源侧出力的波动性与不确定性挑战,详细阐述了储能技术与需求响应的技术原理与在新能源系统中的具体应用,分析对比了不同人工智能算法在新能源电力系统中的应用。最后,提出了目前高比例新能源电力系统值得关注的研究方向。
十、 参考文献
[1] 邱伟强,王茂春,林振智,等.“双碳”目标下面向新能源消纳场景的共享储能综合评价[J].电力自动化设备,2021,41(10) : 244-255.
[2] 王静,徐箭,廖思阳,等.计及新能源出力不确定性的电气综合能源系统协同优化[J]. 电力系统自动化,2019,43(15) : 2-9.
[3] 侯四维,许建军.考虑可再生能源并网的配电网规划技术[J].电器与能效管理技术,2018(5) : 69-72.
[4] GANJT,LIJL,QIWN,etal. A review on capacity optimization of hybrid renewable power system with energy storage[C]∥ Proceedings of 2019 4th International Conference on Advances in Energy and Environment Research,2019: 597-601.
[5] JAVANMARDB,TABRIZIAN M,ANSARIANM,etal.Energy management of multi-microgrids based ongame theory approach in the presence of demand response programs,energy storage systems and renewable energy resources[J]. Journal of Energy Storage,2021,42: 1-16.
[6] 刘俊峰,陈剑龙,王晓生,等.基于深度强化学习的微能源网能量管理与优化策略研究[J]. 电网技术,2020,44(10) : 3794-3803.
[7] 田芳,黄彦浩,史东宇,等.电力系统仿真分析技术的发展趋势[J].中国电机工程学报2014,34 (13) : 2151-2163.
[8] LIU L,JIE Y,PENG L,et al. The low carbon power dispatch strategy for generation traders considering the risks of carbon trading: 2017 4th International Conference on Systems and Informatics (ICSAI) [C].2017: 424-429.
[9] 魏震波,隋东旭,王瀚琳,等.含双边储备市场及绿证交易的现货市场分析[J]. 电力系统保护与控制,2020,48(8) : 52-60.
[10] 叶瑞丽,郭志忠,刘瑞叶,等.基于风电功率预测误差分析的风电场储能容量优化方法[J]. 电力系统 自动化,2014,38(16) : 28-34.
[11] 甘伟,郭剑波,艾小猛,等. 应用于风电场出力平滑的多尺度多指标储能配置[J]. 电力系统自动化,2019,43(9) : 92-98.
[12] 方保民,李延和,曲立楠,等.考虑风电及可中断负荷一次调频能力的日前调度模型[J].电力电容器与无功补偿,2021,42(4) : 242-250.
[13] 贠韫韵,董海鹰,陈钊,等.计及储能参与的新能源发电系统多目标优化调度(英文) [J].Journal of Measurement Science and Instrumentation,2020,11 (4) : 365-372.
[14] GOLSHANNAVAZS,AFSHARNIAS,AMINIFARF. Smart distribution grid: optimal day-ahead scheduling with reconfigurable topology[J].IEEE Transactions on Smart Grid,2014,5(5) : 2402-2411.
[15] 甘伟,艾小猛,方家琨,等.风-火-水-储-气联合优化调度策略[J].电工技术学报,2017,32( 增刊1) : 11-20.
[16] TANGXY,HUY,CHENZP,etal. Flexibility evaluation method of power systems with high proportion renewable energy based on typical operation scenarios[J]. Electronics,2020,9(4) : 1-25.
[17] 黄鹏翔,周云海,徐飞,等.基于灵活性裕度的含风电电力系统源荷储协调滚动调度[J].中国电力, 2020,53(11) : 78-88.
[18] 张晴,李欣然,杨明,等.净效益最大的平抑风电功率波动的混合储能容量配置方法[J].电工技术学报,2016,31(14) : 40-48.
[19] 杨修宇,段士伟,安军,等. 固定储能配比对风电基地外送输电容量的影响分析[J]. 太阳能学报,2020,41(8) : 60-66.
[20] TELARETTI E,DUSONCHET L. Stationary battery technologies in the U.S.: Development trends and prospects[J]. Renewable and Sustainable Energy Reviews,2016,75: 380-392.
[21] 李建林,孟高军,葛乐,等.全球能源互联网中的储能技术及应用[J].电器与能效管理技术,2020 (1) : 1-8.
[22] 张野,郭力,贾宏杰,等. 基于电池荷电状态和可变滤波时间常数的储能控制方法[J]. 电力系统自动化,2012,36(6) : 34-38,62.
[23] 雷珽,欧阳曾恺,李征,等.平抑风能波动的储能电池SOC与滤波协调控制策略[J]. 电力自动化设备,2015,35(07) : 126-131
[24] FANGC,TANGY,YER,et al.Adaptive control strategy of energy storage system participating in primary frequency regulation[J].Processes,2020,8 (6) : 687.
[25] 李军徽,岳鹏程,李翠萍,等.提高风能利用水平的风电场群储能系统控制策略[J]. 电力自动化设备,2021,41(10) : 162-169.
[26] 曾宇,刘友波,高红均,等.基于模型预测控制的高压配电网负荷转供与储能电站协同运行[J].电网技术,2021,45(5) : 1902-1911.
[27] 谢毓广,江晓东.储能系统对含风电的机组组合问题影响分析[J].电力系统自动化,2011,35 (5) : 19-24.
[28] 王德顺,薛金花,叶季蕾,等.基于粒子群算法的储 能电站经济优化调度策略[J].可再生能源,2019,37(5) : 714-719.
[29] 李宏仲,王磊,林冬,等.多主体参与可再生能源消纳的Nash博弈模型及其迁移强化学习求解[J].中国电机工程学报,2019,39(14) : 4135-4150.
[30] 刘起兴,胡亚平,许丹莉,等.计及综合能源服务商调节域的综合需求响应市场机制[J].电网技术,2021,45(5) : 1932-1943.
[31] 田世明,王蓓蓓,等.智能电网条件下的需求响应关键技术[J].中国电机工程学报,2014,34 (22) : 3576-3589.
[32] KIRKERUDJG,NAGEL N O,BOLKESJ T F .The role of demand response in the future renewable northern european energy system[J].Energy,2021,235(C) : 1-11
[33] 徐箭,胡佳,廖思阳,等.考虑网络动态特性与综合需求响应的综合能源系统协同优化[J].电力系统 自动化,2021,45(12) : 40-48.
[34] 崔杨,张家瑞,王铮,等.计及价格型需求响应的风-光-光热联合发电系统日前调度策略[J].中国电机工程学报,2020,40(10) : 3103-3114.
[35] 曾丹,姚建国,杨胜春,等.应对风电消纳中基于安全约束的价格型需求响应优化调度建模[J].中国电机工程学报,2014,34(31) : 5571-5578.
[36] 仉梦林,胡志坚,李燕,等.基于可行性检测的考虑风电和需求响应的机组组合鲁棒优化方法[J].中国电机工程学报,2018,38(11) : 3184-3194.
[37] KIM Y,NORFORD L K .Optimal use of thermal energy storage resources in commercial buildings through price-based demand response considering distribution network operation[J].Applied Energy,2017,193 (C) : 308-324.
[38] 崔杨,李崇钢,赵钰婷,等.考虑风-光-光热联合直流外送的源-网-荷多时段优化调度方法[J/OL].中国电机工程学报: 1-15[2021-10-22].https: / / doi.org /10.13334 /j.0258-8013.pcsee.201907.
[39] DINI ANOOSH,HASSANKASHI ALIREZA,PIROUZI SASAN,et al. A flexible-reliable operation optimization model of the networked energy hubs with distributed generations,energy storage systems and demand response[J].Energy,2022,239(PA) : 1-16.
[40] AGHAJANI G R,SHAYANFAR H A,SHAYEGHI H. Demand side management in a smart micro-grid in the presence of renewable generation and demand response[J].Energy,Elsevier,2017,126 (C) : 622-637.
[41] 鞠立伟,秦超,吴鸿亮,等.计及多类型需求响应的 风电消纳随机优化调度模型[J].电网技术,2015,39(7) : 1839-1846.
[42] 赵泽昆,王瑶,陈超,等.基于量子粒子群优化BP神经网络的风机出力预测[J].电器与能效管理技术,2019(24) : 45-50.
[43] 苗长新,李昊,王霞,等.基于数据驱动和深度学习的超短期风电功率预测[J].电力系统自动化, 2021,45(14) : 22-29.
[44] WEN L,ZHOU K,YANG S,et al. Optimal load dispatch of community microgrid with deep learning based solar power and load forecasting[J].Energy, Elsevier,2019,171(C) : 1053-1065.
[45] 钟宏宇,王超,张旭光,等.组合预测技术在风电中的研究分析[J].电器与能效管理技术,2018(16) : 60-66.
[46] 陈金富,朱乔木,石东源,等.利用时空相关性的多位置多步风速预测模型[J].中国电机工程学报,2019,39(7) : 2093-2106.
[47] 孟安波,许炫淙,陈嘉铭,等.基于强化学习和组合式深度学习模型的超短期光伏功率预测[J/OL].电网技术: 1-9[2021-10-21].https: / /doi.org / 10.13335 /j.1000-3673.pst.2021.0319.
[48] KUZNETSOVA E,LI Y F,RUIZ C,et al. Reinforcement learning for microgrid energy management[J].Energy,Elsevier,2013,59 (C) : 133-146.
[49] 于一潇,杨佳峻,杨明,等.基于深度强化学习的风电场储能系统预测决策一体化调度[J].电力系统 自动化,2021,45(1) : 132-140.
[50] 李涛,胡维昊,李坚,等.基于深度强化学习算法的光伏-抽蓄互补系统智能调度[J].电工技术学报,2020,35(13) : 2757-2768.
[51] 彭刘阳,孙元章,徐箭,等.基于深度强化学习的自适应不确定性经济调度[J].电力系统自动化,2020,44(9) : 33-42.
[52] 王元章,吴春华,周笛青,等.基于BP神经网络的光伏阵列故障诊断研究[J].电力系统保护与控制,2013,41(16) : 108-114.
[53] 张文军,林永君,李静,等.基于长短期记忆神经网络的光伏阵列故障诊断[J].热力发电,2021,50 (6) : 60-68.
[54] 叶进,卢泉,王钰淞,等.基于级联随机森林的光伏故障诊断模型研究[J].太阳能学报,2021,42(3) : 358-362.
[55] 孙莉,李静,李继云,等.基于稀疏贝叶斯极限学习机的光伏电站设备故障诊断研究[J].太阳能学报,2020,41(8) : 221-226.
[56] 席磊,陈建峰,黄悦华,等.基于具有动作自寻优能力的深度强化学习的智能发电控制[J].中国科学: 信息科学,2018,48(10) : 1430-1449.
[57] 王渝红,周旭,陈磊,等.基于DDQN的风电替代传统电源的输电网结构优化研究[J/OL].电网技术: 1-11[2021-10-21].https: / /doi.org/10. 13335/j.1000-3673.pst.2021.0940.
[58] 张承圣,邵振国,陈飞雄,等.基于条件深度卷积生成对抗网络的新能源发电场景数据迁移方法[J/ OL].电 网 技 术: 1-11[2021-10-21].https: / /doi.org / 10.13335 /j.1000-3673.pst.2021.1008.
作者:翁智敏¹, 朱振山¹‘², 温步瀛¹‘³, 郑海林¹, 陈哲盛¹, 林文键¹
( 1.福州大学电气工程与自动化学院,福建福州350108;2.福建省新能源发电与电能变换重点实验室,福建福州350108;3.智能配电网装备福建省高校工程研究中心,福建福州350108)
本文转载自:新能源与智能技术专题 电器与能效管理技术( 2021No.11),不代表我方立场,原文链接: 。